以下文章來源于技術領導力 ，作者Mr.K

尤瓦爾·赫拉利在《人類簡史》有句名言：“我們從農業革命能學到的最重要一課，很可能就是物種演化上的成功，並不代表個體的幸福。”同樣，AI革命會給我們帶來更多個體的幸福嗎？這也是一個值得思考的大命題，但不管怎麽說，AI已來，我們最應該做的，還是了解它、掌握它，並努力“馴化”它。

- 文章信息 -

本文作者：Mr.K，黃哲铿，企業數字化轉型專家，「頓悟山丘」創始人，科技博主，曾擔任海爾、中通快遞、1藥網技術高管，著有《技術人修煉之道》《技術管理之巅》。分享：個體成長、科技趨勢、數字化轉型、商業洞察。由「技術領導力」原創首發， 數字化企業經授權發布。

1

萌芽期：人工智能興起

“機器會思考嗎？”英國天才數學家、邏輯學家、密碼學家、計算機科學家艾倫.圖靈，在1950年發表的經典之作《計算機和智能》一文中，提出了這個科技史上頗具哲學色彩的著名問題。圖靈爲找尋答案，付諸了實踐，開展了旨在驗證計算機是否具備人類智能的“圖靈測試”。在這個著名的實驗中，測試者被要求判斷與自己交談的是人類還是計算機，如果計算機能夠“騙”過測試者，讓測試者以爲自己是人類，那就代表計算機通過了圖靈測試，否則就是失敗。雖然圖靈測試，並未解決圖靈的哲學之問，但它卻成了後世研究人工智，所繞不開的起點和重要基石。

艾倫.圖靈by AI

在圖靈測試出現後的第6年，約翰·麥卡錫、馬文·明斯基、克勞德·香農、艾倫·紐厄爾和赫伯特·西蒙等一衆大神，在達特茅斯學院召開了“人工智能暑期研討會”。在這次會議中，科學家們首次明確提出了“人工智能”這一用語，並對人工智能的未來發展充滿憧憬，有人甚至認爲，機器人和AI能在1970年代中期完成人類的工作。雖然事實證明，大佬們樂觀的預言並沒有實現，但這絲毫不影響達特茅斯會議在人工智能發展史上，不可取代的曆史地位。正是這次會議，標志著人工智能作爲一門新興學科正式誕生。

在這一時期，AI的發展隱隱形成了符號主義(symbolistic)、連接主義(connectionist)和行爲主義(actionism)三大流派的雛形，但當時最主流的研究，還是集中在邏輯推理、符號主義上。研究人員試圖用邏輯規則和符號來模擬人類的思維過程。通過物理符號系統假設，來構建能夠模擬思維的計算模型。以美國卡內基-梅隆大學的艾倫·紐厄爾、赫伯特·西蒙爲代表的學者,開發了諸如"邏輯理論家"（Logic Theorist）、"通用問題解決器"（General Problem Solver）等早期人工智能系統,旨在模擬人類智能的推理和決策過程。這些“初代”人工智能程序，雖然在應用和推廣上，存在很大的局限性，但還是展現了人工智能在解決邏輯和抽象問題上的巨大潛力，爲AI進一步發展奠定了基礎。

2

發展期：神經網絡

20世紀80年代，機器學習開始嶄露頭角。隨著計算機性能的提升和數據量的增加，人們開始關注如何讓計算機模仿人腦的學習能力。這一時期，神經網絡作爲一種模仿生物神經元工作方式的計算模型，慢慢形成氣候。事實上，這種模仿人腦結構和信息處理機制的計算模型,正是上面提到的AI“連接主義”的代表。

由于計算能力大幅提升等各種主客觀條件的不斷完善，科學家們得以搭建起更加複雜的神經網絡架構，從而使神經網絡在模式識別、分類任務（人臉識別、物體檢測、理解和處理自然語言、通過分析用戶行爲模式進行個性化推薦和反欺詐等）等方面，得到廣泛應用。

在這一研究領域，傑弗裏.辛頓（Geoffrey Hinton）無疑是最具代表性的人物之一，他深入研究了使用神經網絡進行機器學習、記憶、感知和符號處理的方法，並前後發表了超過200篇論文，被稱爲“神經網絡之父”、“深度學習之父”。

傑弗裏.辛頓

傑弗裏.辛頓出生在“科研世家”，家族成員大都是科學家或教授，其曾曾祖父喬治·布爾（George Boole），更是二進制推理系統（即現在的布爾代數/邏輯代數，是所有計算的基礎）的發明者。辛頓本身也是一個妥妥學霸，18歲的辛頓進入劍橋大學國王學院學習物理、化學和數學，堅持1個月後退學，第二年，又改修建築學，僅僅堅持1天，這位任性的天才又轉學哲學，同樣半途而終後，才轉學物理和生理學。

學生理學的原因，是因爲教授告訴他這門科學可以讓大家明白大腦是如何工作的，而這恰恰是辛頓最感興趣的。但當辛頓順利拿到心理學學位後，又覺得自己所學的東西太簡單了，根本不足以解釋大腦的運作，于是在失望無聊之際，放棄了在劍橋大學繼續學習的機會，竟然任性地做起了木匠。辛頓一邊打木門一邊思考大腦的運作，堅持了一年多後，又重新回歸學術圈，並確定了一個新的研究方向，人工智能。

這個領域也徹底治好了辛頓的“學習過動症”，讓他沉下心來深耕下去，並開創性的打破了AI符號主義的“桎梏”，顛覆了明斯基等大佬權威的理論，讓神經網絡研究大放異彩。他與其他兩位科學家一起，將反向傳播算法（BP）應用于多層神經網絡，並由此證明這種方法對機器學習的有效性。此外，辛頓還發明了對比散度算法，用于訓練玻爾茲曼機（Boltzmann Machine）。辛頓的這些貢獻，對深度學習的進步産生了深遠影響，他開創的算法和理論，也爲後來者理解神經網絡和訓練深度模型提供了重要工具和抓手。

3

突破期：深度學習

自2000年以後，深度學習技術取得了巨大突破。這一技術通過多層神經網絡的訓練，能夠自動從大量數據中提取特征，從而顯著提升了圖像識別、語音識別和自然語言處理等領域的性能。在深度學習的發展中，卷積神經網絡（CNN）、循環神經網絡（RNN）和長短期記憶網絡（LSTM）等技術起到了重要作用。

1、卷積神經網絡（CNN）

卷積神經網絡（Convolutional Neural Networks，簡稱CNN）是深度學習在計算機視覺領域的代表性成果，其設計靈感來自于生物學中視覺皮層的工作原理，這一領域的領軍人物就是圖靈獎得主、被稱爲“卷積之父”的Yann LeCun（楊立昆）。

Yann LeCun（楊立昆）

Yann LeCun從20世紀80年代開始研究神經網絡技術,並提出了卷積神經網絡這一革命性架構。與傳統的全連接神經網絡不同,卷積神經網絡巧妙地利用了圖像數據的局部相關性,通過在網絡中設計卷積和池化等操作,能夠自動從圖像中提取各種複雜特征。這使得CNN在圖像分類、目標檢測等任務上，取得了大幅度的性能提升。

卷積神經網絡到底有多重要？從最近Yann LeCun與馬斯克隔空互怼的事件中，也能看出一二來。最近，馬斯克爲他新成立的xAI公司，在社交平台X上招募人才，Yann LeCun留言諷刺，痛批馬斯克對AI風險的無限誇大和對技術進步的盲目樂觀。馬斯克反擊“過去五年你做了哪些研究？”。Yann LeCun的“回敬”之一，就是自己當初發表的關于卷積神經網絡的研究成果，“至今仍然被包括特斯拉、MobilEye、Nvidia在內的幾乎所有高科技公司所使用”，換句話說， 你馬斯克的特斯拉，就是靠我的技術理論搞起來的。誰說科學家不會吵架，Yann LeCun就很懂殺人誅心嘛。

2、循環神經網絡（RNN）與長短期記憶網絡（LSTM）

除了卷積神經網絡，循環神經網絡（RNN）和長短期記憶網絡（LSTM）也在深度學習中發揮著重要作用。這些網絡結構能夠有效地建模語音、文本等時序數據,在語音識別、機器翻譯、對話系統等領域取得了革命性的進步。

RNN的核心在于它能夠在處理當前輸入的同時,還能保留之前的曆史信息,從而更好地理解和預測序列數據。而LSTM則是在此基礎上進一步改進,通過引入記憶單元,能夠更好地捕捉長期依賴關系,從而在語言建模等任務上，取得了顯著的性能提升。

由于序列數據處理在語音識別和自然語言處理等領域具有廣泛應用,RNN和LSTM成爲了這些領域的關鍵技術。谷歌、微軟等科技巨頭紛紛在這些領域，投入大量研發資源,利用RNN和LSTM相關的技術，打造出了各種智能語音助手和對話系統,爲用戶提供了更加自然、流暢的交互體驗。

4

爆發期：大模型

近10多年來，隨著計算能力和數據資源的進一步提升，大規模預訓練語言模型（LLM）逐漸成爲人工智能研究的熱點，而生成式預訓練模型GPT（Generative Pre-trained Transformer）更是成了衆人皆知的“顯學”。通過在海量文本數據上進行預訓練,GPT模型能夠學習到豐富的語言知識和語義理解能力,從而在問答、對話、文本生成等自然語言處理任務上取得了前所未有的成就。

在這一發展進程中，OpenAI的聯合創始人伊利亞.蘇茨克維（Ilya Sutskever） 起到了舉足輕重的作用。伊利亞出生于俄羅斯，師從傑弗裏·辛頓。在大學期間，伊利亞曾與辛頓的另一位學生一起，開發了卷積神經網絡AlexNet，並在當年的ImageNet挑戰賽中勇奪冠軍，其精確度更是遙遙領先，是第二名的兩倍。AlexNet的成功，除了體現了大型神經網絡面對大規模數據時的巨大潛力，還有力地證明了GPU在大型神經網絡訓練中的高效性，對後面GPU的發展，以及OpenAI的技術發展走勢，都起到了極爲重要的影響。

伊利亞.蘇茨克維

大學畢業後，伊利亞加入了辛頓創立的DNNResearch公司，其後該公司被谷歌收購，他加入谷歌，成爲谷歌大腦的研究科學家。直到2015年，伊利亞被馬斯克從谷歌挖走，和山姆·奧特曼等人，共同創辦了OpenAI。伊利亞擔任OpenAI的首席科學家。

在OpenAI，伊利亞幾乎主導了所有關于GPT的研發，但隨著OpenAI的發展，原本奧特曼主外，伊利亞主內的穩定格局，慢慢出現了問題。其中最主要的原因之一，就是兩人所持有的“有效加速主義”和“超級對齊主張”之間難以調和的矛盾。所謂“有效加速主義”，就是推崇科技的不斷發展和顛覆，認爲可以不完美，但不能不發展。而“超級對齊主張”，則是要確保人工智能的發展，要與人類價值觀保持一致，否則甯願停止發展。伊利亞持有的觀點是後者，他和恩師辛肯一樣，非常在意超級對齊，並組建了OpenAI的超級對齊團隊。

但奧特曼卻是一個務實主義者，更在乎“有效加速”和商業上的發展。最終兩人矛盾越來越嚴重，以至于發生了伊利亞“政變”，把奧特曼從OpenAI踢出局的戲。但最終還是上演了奧特曼強勢回歸，伊利亞卻選擇離職出走的反轉劇情。但不管從哪個角度來說，作爲AI領域的頂級科學家和踐行者，伊利亞都值得這個時代敬仰。

尤瓦爾·赫拉利在《人類簡史》有句名言：“我們從農業革命能學到的最重要一課，很可能就是物種演化上的成功，並不代表個體的幸福。”同樣，AI革命會給我們帶來更多個體的幸福嗎？這也是一個值得思考的大命題，但不管怎麽說，AI已來，我們最應該做的，還是了解它、掌握它，並努力“馴化”它。